深度学习能预测风险散户投资者吗？中的案例研究

此外，我们用于交易员分类的特定DNN组件是无监督的预培训。观察结果证实，预训练使DNN能够构建特征检测器层，捕获潜在的生成因素，解释不同交易行为的差异。将多层逐渐复杂的特征检测器堆叠在一起，DNN学会从输入分布中分离这些因素。对随后的区分很重要的变化被放大，而输入数据中的无关信息被抑制【67】。我们在图7、8和9中检查了这种能力。经过预训练后，更高级别的特征层次结构存储了健壮、信息丰富和可概括的表示，这些表示不太可能被误导，因此对输入空间中的交易模式纠缠保持不变。总之，DNN利用了原始特征，并从这些特征中创建了合理的抽象，这些特征与目标具有更强的联系，并有助于以更高的精度预测该目标。结论我们着手检查DL在管理支持方面的有效性。相应的应用程序通常涉及从结构化数据开发规范的决策模型。我们专注于财务风险承担行为预测，并开发了基于DNN的风险管理系统。通过多次实验获得的结果证实了DL的能力，以及我们提出的DNN的特定体系结构，以自动方式提取信息特征。我们还观察到，基于这些特征的基于DNN的交易员行为预测要比基准分类的预测准确得多。最后，我们的结果表明，预测精度的提高转化为运营利润的大幅增长。

这证实了拟定DNN在我们的风险管理案例研究中有效支持（对冲）决策的能力。更一般而言，我们提供的证据表明，DL的特征可以概括为零售金融和企业决策支持中常用的结构化数据集。特别是，我们证明，可以以自动方式成功建模与个人行为（可能是可变的、不稳定的和动态的）相关的模式，以生成决定目标度量的特征（例如可预测性）。对于这里探讨的案例研究，我们面临着classimbalance、概念漂移（在动态环境中产生）、维度诅咒以及开发和修改手工特征以应对外部变化的高昂成本等挑战。这些挑战中的许多都是那些试图预测相关领域人类行为的人所面临的。到目前为止，这些任务中的大多数都是使用一系列统计和ML技术来完成的。我们的发现揭示了采用与本文所采用的DL架构类似的DL架构来处理一系列与消费者相关的预测任务的可能性，例如通过做出有效的信贷批准决策和预测企业借款人的偿付能力来帮助银行改进其风险控制，帮助ZF预测消费者将如何应对税收和监管变化，并支持公司做出涉及客户流失预测、响应建模和交叉/追加销售的营销决策。其中许多任务都依赖于结构化数据，我们已经证明，在需要基于结构化数据预测人类行为的环境中，我们提出的DL方法可以提高预测的准确性。我们案例研究的一个显著特点是，一小群人具有极高的风险。

理论上，单一交易可能会在价差交易市场中造成无限损失。高风险个人（A客户）仅占人口的一小部分，但在很大程度上决定了做市商的整体风险敞口。这一特点使我们的研究区别于标准信用评分设置和其他损失通常有限的金融应用。因此，我们的研究有助于管理来自少数民族个人的重大风险的新方法。DNN可能特别适合开发决策支持系统，以应对具有类似特征的挑战，如内幕或恶意行为检测、欺诈建模或网络攻击，其中只有一小部分专业人员可能会给企业造成重大损失。未来研究的一个富有成效的领域将是探索此处采用的架构在多大程度上证明有效，和/或需要在多大程度上进行调整以满足其他人类行为相关预测任务的特定需求。我们特别感兴趣的是，未来的工作是探索具有监管层和非监管层（如SdA）的网络在多大程度上能够很好地进行风险分析，因为当标记数据稀疏时，无监管学习具有优势。我们已经证明，在一个涉及人类行为预测的环境中，预测精度可以取得显著的提高，我们希望这将导致未来的研究，证明DL可以帮助解决许多与人类行为不可预测相关的世界问题。致谢我们感谢编辑Teunter教授为处理我们的论文所做的努力，并感谢三位匿名评论者，他们的反馈极大地帮助改进了论文的早期版本。我们特别感谢J.C.Moreno Paredes在数据准备方面提供的宝贵帮助。参考文献参考文献[1]Y.LeCun，Y。

Bengio，G.Hinton，《深度学习》，自然521（7553）（2015）436–444。[2] R.Geng，I.Bose，X.Chen，《财务困境预测：利用数据挖掘对中国上市公司的实证研究》，欧洲运筹学杂志241（1）（2015）236–247。[3] Y.Bengio，学习人工智能、基础和趋势的深层架构 机器学习2（1）（2009）1–127。[4] J.Schmidhuber，《神经网络的深度学习：概述》，神经网络61（2015）85–117。[5] W.Liu，Z.Wang，X.Liu，N.Zeng，Y.Liu，F.E.Alsaadi，《深层神经网络结构及其应用研究》，神经计算234（2017）11-26。[6] 陈志勇、范志平、孙敏，《一种多核支持张量机器，用于多类型多路数据分类和交叉销售建议应用》，欧洲运筹学杂志255（1）（2016）110–120。[7] W.Verbeke，K.Dejaeger，D.Martens，J.Hur，B.Baesens，《电信行业客户流失预测的新见解：一种专业驱动的数据挖掘方法》，欧洲运营研究杂志218（1）（2012）211–229。[8] A.Oztekin，R.Kizilaslan，S.Freund，A.Iseri，《预测新兴市场每日股票收益的数据分析方法》，欧洲运筹学杂志253（3）（2016）697–710。[9] P.du Jardin，《破产预测的两阶段分类技术》，欧洲运营研究杂志254（1）（2016）236–252。[10] S.Lessmann，B.Baesens，H.-V.Seow，L.C.Thomas，《信贷评分的最新基准分类算法：研究更新》，欧洲运营研究杂志247（1）（2015）124–136。[11] T.Hastie、R.Tibshirani、J.H.Friedman，《统计学习的要素》，第二版，斯普林格，纽约，2009年。[12] J.N.Crook，D.B.Edelman，L.C。

Thomas，《消费者信贷风险评估的最新发展》，欧洲运筹学杂志183（3）（2007）1447–1465。[13] G.L.Lilien，《弥合学术从业者在营销决策模型上的分歧》，《营销杂志》75（4）（2011）196–210。[14] C.Hsinchun，R.H.L.Chiang，V.C.Storey，《商业智能和分析：从大数据到比格影响》，MIS季刊36（4）（2012）1165–1188。[15] M.Kraus、S.Feuerriegel、A.Oztekin，《商业分析和运筹学深度学习：模型、应用和管理含义》，即将出版的《欧洲运筹学杂志》。[16] J.B.Heaton，N.G.Polson，J.H.Witte，《金融深度学习：深度投资组合，商业和工业应用随机模型》33（1）（2017）3–12，asmb。2209.[17]J.Sirignano，《限价订单书的深度学习》，CoRR abs/1601.01987。统一资源定位地址https://arxiv.org/abs/1601.01987[18] M.Kraus，S.Feuerriegel，《利用深度神经网络和转移学习的财务披露决策支持》，决策支持系统104（2017）38–48。[19] T.Fischer，C.Krauss，《金融市场预测的长短记忆网络深度学习》，欧洲运筹学杂志270（2）（2018）654–669。[20] N.哈克，《配对选择与排名优势：标准普尔100指数的应用》，《欧洲运筹学杂志》196（2）（2009）819–825。[21]Y.Deng，F.Bao，Y.Kong，Z.Ren，Q.Dai，《金融信号表示与交易的深度直接强化学习》，IEEE神经网络与学习系统交易28（3）（2017）653–664。[22]R.Xiong，E.P.Nichols，Y.Shen，《利用谷歌国内趋势深入学习股票波动性》，CoRRarXiv:1512.04916v3。【23】S.P.Chatzis，V.Siakoulis，A.Petropoulos，E.Stavroulakis，N。

Vlachogiannakis，《利用深度和统计机器学习技术预测股市危机事件》，专家系统与应用112（2018）353–371。【24】P.M.Addo，D.Guegan，B.Hassani，《利用机器和深度学习进行信用风险分析》，风险6（2）（2018）1-20。【25】J.A.Sirignano、A.Sadhwani、K.Giesecke，《抵押贷款风险深度学习》（2016）。统一资源定位地址https://people.stanford.edu/giesecke/【26】G.F.Montufar、R.Pascanu、K.Cho、Y.Bengio，《深层神经网络的线性区域数量》，载于：《神经信息处理系统的进展》，2014年，第2924-2932页。【27】Y.Bengio、I.Goodfello、A.Courville，《深度学习》，麻省理工学院出版社，2016年。【28】C.L.Giles，S.Lawrence，A.C.Tsoi，《使用递归神经网络和语法推理进行噪声时间序列预测》，机器学习44（1）（2001）161–183。【29】A.Oztekin，R.Kizilaslan，S.Freund，A.Iseri，《预测新兴市场每日股票收益的数据分析方法》，欧洲运筹学杂志253（3）（2016）697–710。[30]C.Brady，R.Ramyar，《利差博彩白皮书》，伦敦。Cass总线。附件。【31】N.哈克，《配对交易与排名领先：多步预测案例》，欧洲运筹学杂志207（3）（2010）1702–1716。[32]沈福林，赵建超，赵建超，利用深度信念网络和共轭梯度法预测汇率，神经计算167（2015）243–253。【33】M.Dixon，D.Klabjan，J.H.Bang，《利用深度神经网络进行基于分类的金融市场预测》，算法金融6（3-4）（2017）67–77。【34】W.Bao，J.Yue，Y.Rao，《利用堆叠式自动编码器和长-短期记忆的金融时间序列深度学习框架》，公共科学图书馆综合版12（7）。[35]C.Krauss，X.A.Do，N。

哈克，《深层神经网络》，《梯度增强树》，《随机森林：标准普尔500指数的统计套利》，《欧洲运筹学杂志》259（2）（2017）689–702。[36]Y.Zhao，J.Li，L.Yu，《原油价格预测的深度学习集成方法》，能源经济学66（2017）9-16。【37】Y.Baek，H.Y.Kim，Modaugnet：一个新的股市指数预测框架，带有一个防过度lstm模块和一个预测lstm模块，应用专家系统113（2018）457–480。[38]H.Y.Kim，C.H.Won，《预测股价指数的波动性：将LSTM与多个garch类型模型集成的混合模型，专家系统与应用103（2018）25–37》。【39】N.哈克，《大数据集和机器学习：统计套利的应用》，欧洲运筹学杂志278（1）（2019）330–342。【40】B.Ribeiro，N.Lopes，《金融预测的深层信念网络》，载于：B.-L.Lu，L.Zhang，J.Kwok（编辑），《神经信息处理国际会议程序》（ICONIP\'2011），神经信息处理，施普林格-柏林-海德堡，柏林，海德堡，2011年，第766–773页。[41]S.H.Yeh，C.J.Wang，M.F.Tsai，《预测公司违约的深层信念网络》，载于：第24届无线和光通信会议论文集，IEEE ComputerSociety，2015年，第159-163页。[42]J.Lee，D.Jang，S.Park，基于深度学习的企业绩效预测模型，考虑技术能力，可持续性9（6）（2017）899–911。【43】C.Luo，D.Wu，D.Wu，《利用信用违约掉期进行信用评分的深度学习方法》，Arti-ficial Intelligence工程应用65（2017）465–470。【44】J.Jurgovsky，M.Granitzer，K.Ziegler，S.Calabretto，P.-E.Portier，L.He Guelton，O。

Caelen，《信用卡欺诈检测序列分类》，专家系统与应用100（2018）234–245。【45】M.Pryor，《金融价差投注手册2e：交易价差投注赚钱指南》，哈里曼豪斯有限公司，2011年。【46】T.Serre，G.Kreiman，M.Kouh，C.Cadieu，U.Knoblich，T.Poggio，《即时视觉识别的定量理论》，脑研究进展165（2007）33–56。【47】A.Ula，O.T.Yldz，E.Alpaydn，《组合相关分类的特征分类》，信息科学187（0）（2012）109–120。【48】Y.Bengio、P.Lamblin、D.Popovici、H.Larochelle等，《深度网络的贪婪分层训练》，神经信息处理系统进展19（2007）153。【49】H.Larochelle，Y.Bengio，J.Louradour，P.Lamblin，《探索深层神经网络训练策略》，机器学习研究杂志10（2009）1-40。【50】J.Luo，X.Yan，Y.Tian，无监督二次曲面支持向量机及其在信用风险评估中的应用，欧洲运筹学杂志280（3）（2020）1008–1017。【51】G.Hinton，S.Osindero，Y.-W.Teh，《深层信念网络的快速学习算法》，神经计算18（7）（2006）1527–1554。【52】Y.Bengio，O.Delalleau，《对比差异的证明与推广》，神经计算21（6）（2009）1601-1621。【53】P.Vincent，H.Larochelle，Y.Bengio，P.-A.Manzagol，《使用去噪自动编码器提取和合成鲁棒特征》，载于：第25届国际机器学习会议记录，ACM，2008年，第1096-1103页。【54】N.Srivastava，G.Hinton，A.Krizhevsky，I.Sutskever，R.Salakhutdinov，《辍学：防止过度匹配的神经网络的简单方法》，《机器学习研究杂志》15（1）（2014）1929-1958。【55】年。

Bengio，《基于梯度的深层建筑培训实用建议》，载于《神经网络：交易技巧》，Springer，2012年，第437-478页。[56]K.Dowd，《调整风险：改进的夏普比率》，《国际经济与金融评论》9（3）（2000）209–222。【57】M.Weber，C.F.Camerer，《证券交易中的处置效应：实验分析》，《经济行为与组织杂志》33（2）（1998）167–184。[58]D.Delen，R.Sharda，P.Kumar，《电影预测大师：好莱坞经理人基于网络的决策支持系统》，决策支持系统43（4）（2007）1151–1170。[59]A.Oztekin，D.Delen，A.Turkyilmaz，S.Zaim，基于机器学习的在线学习系统可用性评估方法，决策支持系统56（2013）63–73。【60】A.Oztekin，《基于信息融合的etf绩效元分类预测建模》，信息系统前沿20（2）（2018）223–238。【61】A.Oztekin，L.Al Ebbini，Z.Sevkli，D.Delen，《预测肺移植受者生活质量的决策分析方法：基于混合遗传算法的方法》，欧洲运筹学杂志266（2）（2018）639–651。【62】C.Sevim，A.Oztekin，O.Bali，S.Gumus，E.Guresen，《开发货币危机预警系统》，欧洲运筹学杂志237（3）（2014）1095–1104。【63】A.Oztekin，M.R.Khan，《确定量化学科中关键因素的商业分析方法》，计算机信息系统杂志54（4）（2014）60–70。【64】J.M.Johnson，T.M.Khoshgoftaar，《关于班级不平衡的深度学习的调查》，BigData杂志6（1）（2019）27。【65】H.He，E.A.Garcia，《从不平衡数据中学习，知识和数据工程》，IEEETransactions on 21（9）（2009）1263–1284。【66】A.V。

贝诺斯，《过度自信交易员的进取性和生存》，金融市场杂志1（3）（1998）353–383。[67]D.Erhan，Y.Bengio，A.Courville，P.-A.Manzagol，P.Vincent，S.Bengio，为什么无监督的预培训有助于深度学习？，《机器学习研究杂志》11（2010）625–660。